A Hybrid, Dual Domain, Cascade of Convolutional Neural Networks for MR Image Reconstruction

最新推荐文章于 2024-09-25 15:40:47 发布

原创

最新推荐文章于 2024-09-25 15:40:47 发布 · 1k 阅读

6 ·

CC 4.0 BY-SA版权

文章标签：

#神经网络 #计算机视觉 #机器学习 #人工智能

该文提出了一种基于图像域和频域信息混合学习的级联卷积神经网络，用于核磁共振影像重建。在MRI欠采样数据重建问题上，该模型通过端到端训练，结合数据一致性层，有效利用了图像域和频域信息，提升了重建图像的质量。实验结果显示，该方法在多种深度学习算法中表现出色，降低了重建误差并提高了图像的PSNR和SSIM值。

用于核磁共振影像重建的双域混合学习级联卷积网络

1. 论文信息

论文标题： A Hybrid, Dual Domain, Cascade of Convolutional Neural Networks for Magnetic Resonance Image Reconstruction

论文来源： MIDL 2019

论文链接： http://proceedings.mlr.press/v102/souza19a/souza19a.pdf

代码来源： https://github.com/rmsouza01/CD-Deep-Cascade-MR-Reconstruction

2. 背景梳理

核磁共振成像(Magnetic Resonance Imaging, MRI)是一种重要的医疗影像技术，相比于其他医学成像，MRI对于人体内软组织可以呈现更高的对比度和清晰度，因此得到了广泛应用。

MRI最主要的缺点在于其本身在频域(又称K空间)中采集数据的速度非常缓慢，采集时间和K空间的采样率成正比。因此，一种可行的加速思路即在K空间中进行欠采样，然而这又会导致重建后的图像质量下降。针对这一问题的传统解决方案如压缩感知(Compressed Sensing, CS)可以从欠采样的数据(低于奈奎斯特采样定理)中重建出高质量的图像。近年来又有大量基于深度学习的MRI重建算法被提出，然而绝大多数都是基于图像域优化成像，减少欠采样数据经过填0补充重建(zero-filled reconstruction)后图像的混叠(aliasing)，而频域信息没有得到充分的利用。

3. 主要贡献

本文提出了一种基于图像域和频域信息混合学习的级联卷积神经网络，采用端到端的训练方式。实验结果表明，相比另外5种基于深度学习的MRI重建算法，本文提出的算法取得了显著的进步。

4. 基于图像域和频域信息混合学习的级联卷积神经网络

本文提出了一种基于图像域和频域信息混合学习的级联卷积神经网络(记作Hybrid Cascade)，它由6个结构相同的CNN block组成，对图像域和频域信息交替进行卷积处理；在相邻的CNN block间插入了Data Consistency Layer(DC Layer)；网络的输入是经过填0重建得到的双通道复数表示的图像，其中一个通道存储实数部分，另一个通道存储虚数部分；网络的输出是经过重建后的图像域成像。

网络的损失函数定义为模型最后输出与groundtruth间的均方误差。

Hybrid Cascade模型结构

4.1 CNN Blocks

模型中的6个CNN block结构与图像域、频域无关，统一采用了5层卷积层；前4层的卷积层各由48个3x3的卷积核组成，激活函数采用Leaky ReLu；最后一层卷积层使用2个3x3的卷积核和线性激活函数，使得输出依然保持了双通道；由于没有池化层，所有CNN block的输入与输出在维度上保持了一致，同时采用了残差连接。

与其他混合域学习的模型[1]不同，本文将第一个CNN block放在了图像域中。原因是：在欠采样过程中，K空间的高频信息常常被大量忽略，因此如果对频域数据做卷积，很可能会有一些区域的信号都是0(由于对未采样区域填0)，而卷积得不到任何有用信息。这就需要更大的感受野和更深的卷积网络，会增大重建的时间；相反，如果在图像域中作卷积，网络的输出将会有一个相应的“完整”频域数据。